Von Mathematik zu strategischer Entscheidungsintelligenz

Die algorithmische Grundlage von mAInthink

Die technologische Basis von mAInthink ist nicht kurzfristig entstanden, sondern das Ergebnis jahrzehntelanger wissenschaftlicher Arbeit an der Schnittstelle von Mathematik, Algorithmen und Computerwissenschaften.

Eine zentrale Rolle spielt dabei Dr. Igor Kadoshchuk, der sich bereits seit den 1980er-Jahren universitär mit mathematischen Verfahren, Optimierungsalgorithmen und rechnergestützter Entscheidungsfindung beschäftigt.

Wissenschaftliche Herkunft: Mathematik trifft Informatik

Dr. Kadoshchuk hatte einen Lehrstuhl am Moskauer Physikalisch-Technischen Institut (MIPT) und war dort als Professor für Computerwissenschaften tätig. In Forschung und Lehre beschäftigte er sich insbesondere mit:

• mathematischer Optimierung
• Algorithmik
• kombinatorischen Entscheidungsproblemen
• rechnergestützter Modellbildung komplexer Systeme

Im Rahmen dieser langjährigen Arbeit entstand eine zentrale Erkenntnis:

Mathematische Verfahren und Computertechnik lassen sich so arrangieren, dass bei komplexen Projekt- und Investitionsentscheidungen objektiv erkennbar wird, welcher Weg der beste ist.

Projektoptimierung als mathematisches Problem

Projekt-, Portfolio- und Investitionsentscheidungen bestehen letztlich aus IDs, Variablen, Restriktionen und Zahlen. Das Problem liegt nicht in der Datenverfügbarkeit, sondern in der Kombinatorik.

Bereits bei wenigen Projekten wächst die Anzahl möglicher Kombinationen exponentiell:

• 5 Projekte → 32 Kombinationen
• 10 Projekte → 1.024 Kombinationen
• 20 Projekte → über 1.000.000 Kombinationen
• 50 Projekte → astronomische Größenordnungen

Klassische Tools (z. B. Excel, einfache Scoring-Modelle oder lineare Näherungen) können diese Komplexität in der Regel nicht vollständig abbilden, sondern arbeiten zwangsläufig mit Vereinfachungen.

Hybride KI & Multithread Computing

mAInthink nutzt daher hybride KI-Ansätze, die klassische Mathematik, heuristische Optimierung und algorithmische Suche mit moderner Multithread-Computing-Architektur kombinieren.

Dadurch erreichen wir in realen Projekt- und Investitionsszenarien eine Genauigkeit von 97 % bis 99,99 % und können sehr schnell sehr komplexe Projektberechnungen durchführen, die herkömmliche Tools in dieser Tiefe und Geschwindigkeit typischerweise nicht erreichen.

Warum keine 100 %?

Wenn man theoretisch 100 % Genauigkeit erzielen möchte, bedeutet das: Jede einzelne mögliche Kombination müsste vollständig, exakt und ohne Abkürzungen berechnet werden.

Selbst mit heutigen technischen Möglichkeiten würde dies in großen Portfolio-Szenarien eine Rechenzeit von etwa 75.000 Jahren bedeuten. Der Grund ist nicht mangelnde Software, sondern die exponentielle Zunahme des Entscheidungsraums bei steigender Projektanzahl und Restriktionsdichte.

Beispiel: Warum explodiert die Rechenzeit?

Stellen Sie sich vor, Sie haben ein Portfolio mit vielen Projekten und Unterprojekten. Jede Entscheidung (Projekt ja/nein, Teilpaket A/B/C, Reihenfolge, Budgetgrenzen, Abhängigkeiten, Risiken) erhöht die Anzahl der möglichen Kombinationen massiv. Bereits ab einer bestimmten Größenordnung entsteht ein Suchraum, der mit klassischen Rechnerarchitekturen nicht mehr vollständig enumerierbar ist, ohne dass die Rechenzeit in unpraktikable Dimensionen wächst.

Genau hier liegt die Stärke von mAInthink: Wir liefern mit hybrider KI und parallelisierter Berechnung Lösungen mit sehr hoher Genauigkeit in praxisrelevanter Zeit – statt theoretische Perfektion in Jahrtausenden.

Blick in die Zukunft: Quantencomputer

Quantencomputer würden diesen Ansatz nicht ersetzen, sondern weiter beschleunigen. Mit zunehmender industrieller Verfügbarkeit könnten bestimmte Klassen von Optimierungsproblemen deutlich schneller verarbeitet werden. Das würde mAInthink – auf Basis der bereits etablierten mathematischen Logik – in der Geschwindigkeit nochmals erheblich nach vorne bringen.

Fazit

mAInthink steht für wissenschaftlich fundierte Entscheidungsintelligenz – entstanden aus jahrzehntelanger mathematischer Arbeit und konsequent weiterentwickelt durch moderne KI- und Rechentechnologie.

Nicht Bauchgefühl entscheidet. Nicht vereinfachte Modelle. Sondern rechenbare Realität.

FAQ – Algorithmische Projekt- & Investitionsoptimierung bei mAInthink

Häufig gestellte Fragen

Wer ist Dr. Igor Kadoshchuk?

Dr. Igor Kadoshchuk ist Mathematiker und Informatiker und beschäftigt sich seit den 1980er-Jahren wissenschaftlich mit Algorithmen, mathematischer Optimierung und rechnergestützter Entscheidungsfindung. Er hatte einen Lehrstuhl am Moskauer Physikalisch-Technischen Institut (MIPT) und war dort Professor für Computerwissenschaften.

Was ist die zentrale Erkenntnis seiner Forschung?

Dass sich mathematische Verfahren und Computertechnik so kombinieren lassen, dass bei komplexen Projekt- und Investitionsentscheidungen objektiv berechenbar wird, welcher Investitionsweg der beste ist – unabhängig von subjektiven Einschätzungen.

Warum sind klassische Tools wie Excel dafür ungeeignet?

Klassische Tools arbeiten mit Vereinfachungen, linearen Annahmen oder isolierten Bewertungen. Sie können die exponentiell wachsende Anzahl an Projektkombinationen, Abhängigkeiten und Restriktionen nicht vollständig berechnen.

Was bedeutet „hybride KI“ bei mAInthink?

Hybride KI kombiniert klassische Mathematik, heuristische Optimierungsverfahren, algorithmische Suche und moderne KI-Methoden mit paralleler (Multithread-)Rechenarchitektur. Dadurch werden sehr große Entscheidungsräume effizient analysiert.

Welche Genauigkeit erreicht mAInthink?

In realen Szenarien erreicht mAInthink eine Genauigkeit von etwa 97 % bis 99,99 %. Dies stellt das technisch und wirtschaftlich optimale Verhältnis zwischen Rechenzeit und Entscheidungsqualität dar.

Warum wird keine 100%ige Genauigkeit angestrebt?

Eine vollständige Berechnung aller möglichen Kombinationen würde – je nach Szenario – bis zu 75.000 Jahre Rechenzeit erfordern. Eine solche Perfektion ist technisch möglich, aber praktisch und wirtschaftlich nicht sinnvoll.

Was ist ein einfaches Beispiel für diese Komplexität?

Bereits bei wenigen Projekten mit Abhängigkeiten, Budgetgrenzen, Risiken und Alternativen entsteht ein exponentieller Suchraum. Jede zusätzliche Variable vervielfacht die Anzahl möglicher Kombinationen.

Welche Rolle spielen Quantencomputer?

Quantencomputer könnten diese Berechnungen künftig erheblich beschleunigen. Die mathematischen Modelle bleiben gleich, aber die Berechnung vieler Zustände erfolgt parallel. mAInthink ist architektonisch darauf vorbereitet.

Für welche Anwendungsfälle eignet sich mAInthink besonders?

Für Portfolio-Optimierung, Investitionsentscheidungen, Projektpriorisierung, Budgetverteilung, strategische Planung sowie Szenarien mit hoher Komplexität und vielen Abhängigkeiten.

Vergleich: Klassische Tools vs. mAInthink

Kriterium	Klassische Tools (z. B. Excel)	mAInthink
Rechenmodell	Linear, vereinfacht	Hybrid: Mathematik + KI + Algorithmik
Projektanzahl	Begrenzt praktikabel	Skaliert auf sehr große Portfolios
Abhängigkeiten & Restriktionen	Manuell oder stark vereinfacht	Vollständig integrierbar
Kombinatorische Tiefe	Sehr begrenzt	Exponentielle Entscheidungsräume
Rechenzeit	Schnell, aber unvollständig	Schnell bei sehr hoher Genauigkeit
Genauigkeit	Subjektiv / heuristisch	97 % – 99,99 %
Zukunftsfähigkeit	Begrenzt	Vorbereitet auf Quantencomputing

Warum Reale Entscheidungskosten fast immer höher sind als Rechenkosten

In der Praxis entsteht der größte wirtschaftliche Schaden selten durch Rechenaufwand – sondern durch Fehlentscheidungen: falsch priorisierte Projekte, überoptimistische Business-Cases oder Portfolios, die auf dem Papier gut aussehen, aber unter realen Restriktionen nicht tragfähig sind.

Genau hier setzt mAInthink an: Mit mathematisch fundierter Optimierung und hybrider KI wird nicht nur „ein gutes Projekt“ gewählt, sondern der beste Investitionsweg unter Budget-, Risiko- und Abhängigkeitsbedingungen ermittelt. Der entscheidende Punkt ist dabei:

Rechenzeit kostet Minuten – Fehlallokationen kosten Monate, Jahre und oft siebenstellige Beträge.

Typische Kostenblöcke, die klassische Tools unterschätzen

Kostenblock	Was in klassischen Tools oft fehlt	Typische Auswirkung in der Realität	Wie mAInthink das adressiert
Kapitalbindung	Kapital wird als „gegeben“ betrachtet; Opportunitätskosten fehlen	Geld ist gebunden, obwohl ein besserer Weg existiert	Optimiert Portfolio und Reihenfolge unter Budgetrestriktionen
Management- & Team-Kapazität	Ressourcen werden grob oder statisch modelliert	Engpässe, Verzögerungen, Überlastung, Projektstau	Berücksichtigt Kapazitäten, Abhängigkeiten und Timing
Abhängigkeiten	Teilprojekte werden isoliert bewertet	„Gute“ Projekte scheitern, weil Vorleistungen fehlen	Berechnet optimale Ketten (Predecessors/Constraints) mit
Risiko & Unsicherheit	Risiko wird als Zuschlag oder Textfeld geführt	Budget- und Terminexplosion, ROI kollabiert	Risiko- und Szenario-Parameter werden rechnerisch integriert
Umsetzungsreihenfolge	Reihenfolge wird „aus Erfahrung“ entschieden	Cashflow und ROI werden später realisiert als nötig	Findet die Reihenfolge mit maximaler Wirkung bei minimaler Blockade
Opportunitätskosten	Nicht sichtbar, weil nur Projekt-ROI betrachtet wird	Verpasste Marktfenster, verpasste Skaleneffekte	Vergleicht Investitionswege und zeigt entgangenen Nutzen
Change-Kosten & Rework	Änderungen werden nicht als Kostenmodell geführt	Nacharbeiten, Neuplanung, zusätzliche Gewerke/Partner	Bewertet Robustheit: Lösungen, die weniger „Rework“ erzeugen

Konkretes Beispiel: „Schnell entschieden“ wird oft teuer

Ein klassisches Szenario aus der Portfolio-Praxis:

• Projekt A wirkt als TOP-Projekt, weil der ROI auf dem Papier am höchsten ist.
• Projekt A bindet jedoch kritische Ressourcen und Budget frühzeitig.
• Dadurch verzögern sich zwei kleinere Projekte (B und C), die zusammen einen schnelleren Cashflow und eine stabilere Risikostruktur liefern würden.

Das Ergebnis: In Excel gewinnt Projekt A – in der Realität verliert das Portfolio Zeit, Cashflow und Flexibilität.

mAInthink berechnet nicht nur „welches Projekt am besten aussieht“, sondern welcher Investitionsweg unter realen Restriktionen die beste Gesamtwirkung erzielt.

Merksatz für Entscheider

Rechenzeit ist ein Kostenfaktor – Fehlentscheidungen sind ein Multiplikator.

Data in. Maximaler ROI raus. Ohne Prompts. Ohne Strategie-Erstellung.

Der Ansatz von mAInthink und der algorithmischen Lösung StratePlan ist bewusst klar und praxisnah gehalten:

Der Kunde liefert seine Projektstrategie – wir liefern die Optimierung.

Dazu benötigt mAInthink ausschließlich die bestehenden Planungsdaten des Kunden, z. B. als:

• XLS / Excel-Dateien
• JSON-Dateien

Es sind keine Prompts, keine textbasierten KI-Anweisungen und keine semantischen Interpretationen erforderlich. StratePlan arbeitet daten- und modellbasiert – nicht promptgetrieben.

Wichtiges Prinzip: Strategie kommt vom Kunden

mAInthink erstellt keine Projektstrategie. Das ist eine bewusste und zentrale Designentscheidung.

Warum? Weil CEO, CFO, Projektmanager oder das C-Level:

• ihre Märkte kennen
• ihre Risiken verstehen
• regulatorische, politische und operative Rahmenbedingungen einschätzen können

Diese Markt- und Kontextkenntnis kann und soll keine KI ersetzen.

Unsere Aufgabe ist eine andere:
Wir validieren die bestehende Strategie – und optimieren sie in der Regel.

Validierung & Optimierung statt Neudenken

In über 95 % der Fälle zeigt sich, dass bestehende Projekt- oder Investitionsstrategien:

• mathematisch nicht optimal priorisiert sind
• Abhängigkeiten nicht vollständig berücksichtigen
• Opportunitätskosten übersehen

Das Ergebnis:

Eine Optimierung von typischerweise 10 % bis 60 %+
bezogen auf ROI, Cashflow-Timing oder Risikostruktur – ohne die Strategie inhaltlich zu verändern.

Dynamische Märkte = dynamische Strategie

Märkte verändern sich. Budgets ändern sich. Risiken verschieben sich.

Deshalb kann der Strategie-Ersteller jederzeit:

• eine angepasste Planung hochladen
• neue Annahmen oder Restriktionen integrieren
• eine veränderte Marktlage abbilden

StratePlan berechnet daraufhin erneut die optimierte oder validierte Strategie.

In diesem Sinne ist StratePlan eine Art Business-GPS:
Egal ob Kursanpassung, Marktänderung oder neue Rahmenbedingungen – das System berechnet jederzeit die beste Ausgangsposition für fundierte CEO-Entscheidungen.

Warum das Argument „ROI hält der Realität nicht stand“ nicht greift

Ein häufiges Argument lautet, dass optimierte ROIs in der Realität durch äußere Umstände schrumpfen können.

Das ist korrekt – gilt jedoch für jede Methode, auch für klassische Tools.

Der entscheidende Unterschied:

Szenario	Klassische Planung	StratePlan-Optimierung
Berechneter ROI (Planung)	7 %	35 %
Externe Einflüsse während Umsetzung	-4 %	-8 %
Realer ROI nach Umsetzung	3 %	27 %

Beide Ansätze unterliegen Marktveränderungen. Der Unterschied ist die Ausgangsbasis.

Selbst wenn ein Teil des optimierten ROIs durch externe Faktoren verloren geht, bleibt das Ergebnis in der Regel deutlich über dem Niveau klassischer Berechnungen.

Fazit

StratePlan ersetzt keine Strategie – es macht sie besser.

Ihre Strategie bleibt Ihre Strategie.
Unsere Algorithmen sorgen dafür, dass sie unter realen Restriktionen das Maximum herausholt.

Data in. Maximaler ROI raus.

Externe Studien bestätigen den Paradigmenwechsel

Führende Wirtschafts- und Forschungsinstitute kommen unabhängig voneinander zu einem klaren Ergebnis: Klassische Finanz- und Planungsmodelle stoßen bei komplexen Investitionsentscheidungen systematisch an ihre Grenzen.

Studien von McKinsey & Company, Bain & Company und der OECD zeigen, dass Unternehmen mit daten- und modellbasierter Kapitalallokation signifikant bessere Ergebnisse erzielen als solche, die auf isolierte Projektbewertungen oder lineare Excel-Modelle setzen.

Die Forschung von Dr. Igor Kadoshchuk zu NP-Hard Financial Management Problems liefert dafür die mathematische Grundlage: Viele reale Investitionsentscheidungen sind exakte Optimierungsprobleme, die mit klassischen Methoden nicht vollständig lösbar sind.

Selected References

• McKinsey & Company (2023). Optimized Capital Allocation Report.
• PwC (2022). Risk Management Strategies for Competitive Advantage.
• Kadoshchuk, I.T. (2021). Experimental Algorithms for Solving NP-Hard Financial Management Problems.
• Kadoshchuk, I.T. (2018). The vertices we choose.
• Harvard Business Review (2021, 2023).
• MIT Sloan Management Review (2023).
• World Economic Forum (2022).

Quellen & Links

1. World Economic Forum (2023) – How artificial intelligence will transform decision-making
   https://www.weforum.org/stories/2023/09/how-artificial-intelligence-will-transform-decision-making/
2. World Economic Forum (2025) – Investment companies can use AI responsibly to gain an advantage
   https://www.weforum.org/stories/2025/02/ai-redefine-investment-strategy-generate-value-financial-firms/
3. World Economic Forum (2025) – Artificial Intelligence in Financial Services (PDF Report)
   https://reports.weforum.org/docs/WEF_Artificial_Intelligence_in_Financial_Services_2025.pdf
4. Bain & Company (2025) – The Future of Financial Planning Is Autonomous
   https://www.bain.com/insights/the-future-of-financial-planning-is-autonomous/
5. SSRN (2023) – The Role of Artificial Intelligence in Financial Decision… (Abstract/Download Page)
   https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4628237
6. Academic PDF (secondary reference) – Data-driven decision making (PDF host)
   https://prosiding.areai.or.id/index.php/ICEAT/article/download/54/79/322
7. Al-Basaer Journal (secondary research PDF) – AI integration in financial planning (PDF download)
   https://www.albasaer.org/index.php/abjbr/article/download/21/6/192

StratePlan im Praxisfokus: Was klassische Planung nicht leisten kann

Viele Unternehmen und Organisationen verfügen über gute Daten, erfahrene Entscheider und etablierte Planungsroutinen. Trotzdem entstehen regelmäßig suboptimale Portfolios, verzögerte Umsetzungen und unnötige Kapitalbindung. Der Grund ist selten ein Informationsmangel – sondern die Grenze klassischer Tools und Denkmodelle bei hoher Komplexität.

1) Projekt- und Finanzplanung ist ein Rechenproblem – kein Bauchgefühl

Traditionelle Finanzplanung scheitert häufig an strukturellen Faktoren: fragmentierte Entscheidungen, unkoordinierte Prioritäten, Vereinfachungen in Modellen sowie emotionale oder politisch getriebene Einzelentscheidungen. In komplexen Projektlandschaften ist das Ergebnis dann nicht „falsch“, aber selten optimal.

StratePlan setzt genau hier an: Es bildet Entscheidungen als berechenbares Modell ab und optimiert Kapital- und Projektallokation unter realen Restriktionen.

2) Warum Optimierung schnell „NP-Hard“ wird

Reale Projekt- und Investitionsentscheidungen sind selten linear. Sobald Abhängigkeiten, Budgets, Kapazitäten, Timing, Risiken und Alternativen (z. B. Projektvarianten) zusammenkommen, wächst der Suchraum exponentiell. Viele dieser Problemklassen sind NP-hard – das bedeutet: Eine exakte Berechnung aller Kombinationen ist theoretisch möglich, aber praktisch oft nicht realistisch.

Konsequenz: Wer trotzdem „vollständig exakt“ rechnen möchte, bezahlt mit unpraktikabler Rechenzeit.

3) Warum 100% Genauigkeit in der Praxis nicht sinnvoll ist

Eine 100%-Berechnung würde erfordern, jede mögliche Kombination vollständig zu enumerieren und zu bewerten. Ab einer bestimmten Größenordnung wird das zur reinen Theorie. Deshalb setzt StratePlan auf eine Kombination aus mathematischen Verfahren und experimentellen/hybriden Optimierungsalgorithmen, die in der Praxis sehr hohe Genauigkeiten liefern – bei gleichzeitig praktikabler Rechenzeit.

Ergebnis: Entscheidungen werden nicht „irgendwie schneller“, sondern in einer Tiefe berechnet, die klassische Tools typischerweise nicht erreichen.

4) Hybride Algorithmen statt Excel-Logik oder Prompt-KI

StratePlan ist keine generative Text-KI. Es interpretiert keine Prompts und erzeugt keine „wahrscheinlichen Antworten“. Das System arbeitet daten- und modellbasiert und kombiniert:

• klassische mathematische Optimierung
• algorithmische Suche und Heuristiken
• skalierbare Parallelisierung (Multi-Thread Computing)

Dadurch entsteht ein Optimierungssystem, das konsistent rechnet – statt zu „raten“.

5) Geschwindigkeit ist ein Erfolgsfaktor – nicht nur ein Komfortmerkmal

In dynamischen Märkten entscheidet nicht nur das beste Portfolio, sondern auch der richtige Zeitpunkt. StratePlan beschleunigt die Entscheidungsfindung, indem es komplexe Szenarien schnell durchrechnet und Optimierungen iterativ ermöglicht.

Praxisnutzen: Chancen können genutzt werden, bevor sich Rahmenbedingungen wieder verändern.

6) StratePlan als Validierungs- und Optimierungsschicht (Strategie bleibt beim C-Level)

Ein zentrales Prinzip: mAInthink erstellt keine Projektstrategie. Das kann ein CEO, CFO oder Projektmanager besser, weil er die Märkte, Ziele, politischen Rahmenbedingungen und operativen Zwänge kennt.

Der Kunde liefert seine Strategie als Datenmodell – typischerweise als XLS oder JSON:

• Data in: Projektliste, Budgets, Abhängigkeiten, Restriktionen, Zielgrößen
• Value out: Validierung, Priorisierung, optimale Reihenfolge, Budgetallokation, Szenarioergebnisse

In der Praxis zeigt sich sehr häufig, dass bereits gute Strategien durch Optimierung messbar verbessert werden können (z. B. durch bessere Reihenfolgen, das Erkennen versteckter Opportunitätskosten oder die robustere Strukturierung gegen Risiken).

7) Iteration statt Einmal-Plan: StratePlan als „Business-GPS“

Märkte, Kosten, Lieferketten, Zinsen und politische Rahmenbedingungen verändern sich. Deshalb muss eine Strategie nicht „einmalig perfekt“ sein, sondern kontinuierlich nachgeführt werden.

StratePlan ist in diesem Sinne ein Business-GPS:

• Strategie anpassen
• neue Datei hochladen
• neu berechnen
• erneut eine optimierte Ausgangslage für Entscheidungen erhalten

So bleibt die Planung auch bei Kurswechseln und neuen Zwängen handlungsfähig.

8) ROI ist dynamisch – das gilt für alle Methoden (der Unterschied ist die Ausgangsbasis)

Ein typisches Gegenargument lautet, dass Optimierungen in der Realität durch äußere Umstände schrumpfen können. Das stimmt – aber es gilt für jede Planung, auch für klassische Tools. Entscheidend ist die Ausgangsbasis.

Beispiel	Klassische Planung	StratePlan-optimiert
Berechneter ROI (Plan)	9 %	42 %
Externe Einflüsse während Umsetzung	-5 %	-10 %
Realer ROI nach Umsetzung	4 %	32 %

Beide Ansätze erleben Realitätsabweichungen. Der Unterschied ist: Eine höhere, optimierte Ausgangslage bleibt auch nach Abzügen in der Regel über dem Ergebnis klassischer Berechnungen.

9) „Zero Hallucinations“ – weil StratePlan rechnet, statt zu interpretieren

StratePlan halluziniert nicht, weil es nicht textbasiert „antwortet“. Es erzeugt keine freien Interpretationen, sondern berechnet Ergebnisse aus einem definierten Datenmodell (IDs, Zahlen, Restriktionen). Damit ist die Ausgabe deterministisch nachvollziehbar und kann intern geprüft werden.

Jetzt kontaktieren